基于图卷积网络的虚拟网络映射方法及装置制造方法及图纸

本发明专利技术提供了一种基于图卷积网络的虚拟网络映射方法及装置，涉及虚拟网络的技术领域，包括：先获取虚拟网络的映射请求，并基于映射请求和物理网络的属性信息确定物理节点的特征矩阵；然后将物理节点的特征矩阵输入至目标图卷积网络，得到物理节点的映射概率；再基于物理节点的映射概率，按照资源需求顺序对虚拟网络中所有的虚拟节点依次进行虚拟网络映射；最后若虚拟网络映射中的节点映射和链路映射都成功，则确定虚拟网络映射成功。本发明专利技术利用目标图卷积网络可以提取物理节点的高阶空间结构信息，进而提高虚拟网络映射的效率和物理网络的资源利用率。理网络的资源利用率。理网络的资源利用率。

【技术实现步骤摘要】
基于图卷积网络的虚拟网络映射方法及装置


[0001]本专利技术涉及虚拟网络
，尤其是涉及一种基于图卷积网络的虚拟网络映射方法及装置。

技术介绍

[0002]现有的深度学习算法都是使用了传统的深度学习模型CNN和RNN对物理网络的结构进行建模，提取物理节点的若干条信息，例如度、资源大小等作为物理节点的局部表示。这些传统的深度学习模型用到的数据都是欧式空间的数据，提取若干条拓扑节点信息来表征物理网络整体结构的方法对图这种非欧几里得形式的数据，无疑会损失很多信息。因此现有的虚拟网络映射方法存在虚拟网络映射的效率低和物理网络的资源利用率低的技术问题。

技术实现思路

[0003]本专利技术的目的在于提供一种基于图卷积网络的虚拟网络映射方法及装置，以缓解了现有技术中存在的虚拟网络映射的效率低和物理网络的资源利用率低的技术问题。
[0004]第一方面，本专利技术提供的一种基于图卷积网络的虚拟网络映射方法，其中，包括：获取虚拟网络的映射请求，并基于所述映射请求和物理网络的属性信息确定物理节点的特征矩阵；将所述物理节点的特征矩阵输入至目标图卷积网络，得到物理节点的映射概率；基于所述物理节点的映射概率，按照资源需求顺序对虚拟网络中所有的虚拟节点依次进行虚拟网络映射；若虚拟网络映射中的节点映射和链路映射都成功，则确定虚拟网络映射成功。
[0005]进一步的，所述目标图卷积网络包括：至少两个隐藏层；将所述物理节点的特征矩阵输入至目标图卷积网络，得到物理节点的映射概率，包括：将所述物理节点的特征矩阵作为输入数据输入至第一个隐藏层，输出所述物理节点的第一空间结构信息；将所述第一空间结构信息作为输入数据输入至第二个隐藏层，输出所述物理节点的第二空间结构信息；其中，所述第二空间结构信息是第一空间结构信息的高阶；将所述第二空间结构信息进行分类，得到所述物理节点的映射概率。
[0006]进一步的，所述方法还包括：获取训练样本；其中，所述训练样本包括：训练物理节点的特征矩阵；将所述训练物理节点的特征矩阵输入到初始图卷积网络，得到所述训练物理节点的映射概率；基于所述训练物理节点的映射概率计算所述初始图卷积网络的目标损失函数的函数值；通过所述目标损失函数的函数值对初始图卷积网络的参数进行调整，得到所述目标图卷积网络。
[0007]进一步的，基于所述映射请求和物理网络的属性信息确定物理节点的特征矩阵，包括：基于所述映射请求和物理网络的属性信息，确定物理节点的多个特征信息；基于所述多个特征信息确定物理节点的特征矩阵。
[0008]进一步的，基于所述多个特征信息确定物理节点的特征矩阵，包括：对所述多个特征信息进行归一化处理，得到归一化处理后的多个特征信息；将所述归一化处理后的多个
特征信息进行组合，得到所述物理节点的特征矩阵。
[0009]进一步的，虚拟网络映射包括：节点映射和链路映射，基于所述物理节点的映射概率，按照资源需求顺序对虚拟网络中所有的虚拟节点依次进行虚拟网络映射，包括：按照资源需求顺序对虚拟网络中所有的虚拟节点进行排序，得到排序后的虚拟网络；选择映射概率最大的物理节点作为待映射物理节点；判断所述待映射物理节点的可用物理网络资源是否满足第一虚拟节点的资源需求；其中，所述第一虚拟节点为所述排序后的虚拟网络中的第一个虚拟节点；若是，则将所述第一虚拟节点与所述待映射物理节点进行映射，并在映射之后，依次对其余虚拟节点执行节点映射操作；其中，所述其余虚拟节点为所述排序后的虚拟网络中除第一虚拟节点以外的其他虚拟节点；在所述排序后的虚拟网络中所有虚拟节点完成映射之后，执行链路映射。
[0010]进一步的，所述映射请求包括虚拟网络的属性信息，所述虚拟网络的属性信息包括虚拟节点的个数、虚拟节点之间相连的概率、虚拟节点CPU容量的分布区间、虚拟链路宽带的分布区间和虚拟请求到达时间中的一个或多个，所述物理网络的属性信息包括物理节点的个数、物理链路的个数、物理节点CPU容量的分布区间和物理链路宽带的分布区间中的一个或多个。
[0011]第二方面，本专利技术提供的一种基于图卷积网络的虚拟网络映射装置，其中，包括：第一获取单元，用于获取虚拟网络的映射请求，并基于所述映射请求和物理网络的属性信息确定物理节点的特征矩阵；第一输入单元，用于将所述物理节点的特征矩阵输入至目标图卷积网络，得到物理节点的映射概率；映射单元，用于基于所述物理节点的映射概率，按照资源需求顺序对虚拟网络中所有的虚拟节点依次进行虚拟网络映射；确定单元，用于若虚拟网络映射中的节点映射和链路映射都成功，则确定虚拟网络映射成功。
[0012]第三方面，本专利技术还提供一种电子设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现的所述的基于图卷积网络的虚拟网络映射方法的步骤。
[0013]第四方面，本专利技术还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质，其中，所述程序代码使所述处理器执行所述的基于图卷积网络的虚拟网络映射方法。
[0014]本专利技术提供的一种基于图卷积网络的虚拟网络映射方法及装置，包括：先获取虚拟网络的映射请求，并基于映射请求和物理网络的属性信息确定物理节点的特征矩阵；然后将物理节点的特征矩阵输入至目标图卷积网络，得到物理节点的映射概率；再基于物理节点的映射概率，按照资源需求顺序对虚拟网络中所有的虚拟节点依次进行虚拟网络映射；最后若虚拟网络映射中的节点映射和链路映射都成功，则确定虚拟网络映射成功。本专利技术利用目标图卷积网络可以提取物理节点的高阶空间结构信息，进而提高虚拟网络映射的效率和物理网络的资源利用率。
[0015]本专利技术的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
[0016]为使本专利技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
[0017]为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0018]图1为现有的虚拟网络映射算法中RLVNE模型的结构示意图；
[0019]图2为现有的虚拟网络映射算法中CDRL模型的结构示意图；
[0020]图3为本专利技术实施例提供的一种基于图卷积网络的虚拟网络映射方法的流程图；
[0021]图4为目标图卷积网络的结构示意图；
[0022]图5为目标图卷积网络的训练伪代码；
[0023]图6为目标图卷积网络的测试伪代码；
[0024]图7为图3中步骤S103的流程图；
[0025]图8为GCN-VNE算法的流程图；
[002本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图卷积网络的虚拟网络映射方法，其特征在于，包括：获取虚拟网络的映射请求，并基于所述映射请求和物理网络的属性信息确定物理节点的特征矩阵；将所述物理节点的特征矩阵输入至目标图卷积网络，得到物理节点的映射概率；基于所述物理节点的映射概率，按照资源需求顺序对虚拟网络中所有的虚拟节点依次进行虚拟网络映射；若虚拟网络映射中的节点映射和链路映射都成功，则确定虚拟网络映射成功。2.根据权利要求1所述的方法，其特征在于，所述目标图卷积网络包括：至少两个隐藏层；将所述物理节点的特征矩阵输入至目标图卷积网络，得到物理节点的映射概率，包括：将所述物理节点的特征矩阵作为输入数据输入至第一个隐藏层，输出所述物理节点的第一空间结构信息；将所述第一空间结构信息作为输入数据输入至第二个隐藏层，输出所述物理节点的第二空间结构信息；其中，所述第二空间结构信息是第一空间结构信息的高阶；将所述第二空间结构信息进行分类，得到所述物理节点的映射概率。3.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取训练样本；其中，所述训练样本包括：训练物理节点的特征矩阵；将所述训练物理节点的特征矩阵输入到初始图卷积网络，得到所述训练物理节点的映射概率；基于所述训练物理节点的映射概率计算所述初始图卷积网络的目标损失函数的函数值；通过所述目标损失函数的函数值对初始图卷积网络的参数进行调整，得到所述目标图卷积网络。4.根据权利要求1所述的方法，其特征在于，基于所述映射请求和物理网络的属性信息确定物理节点的特征矩阵，包括：基于所述映射请求和物理网络的属性信息，确定物理节点的多个特征信息；基于所述多个特征信息确定物理节点的特征矩阵。5.根据权利要求4所述的方法，其特征在于，基于所述多个特征信息确定物理节点的特征矩阵，包括：对所述多个特征信息进行归一化处理，得到归一化处理后的多个特征信息；将所述归一化处理后的多个特征信息进行组合，得到所述物理节点的特征矩阵。6.根据权利要求1所述的方法，其特征在于，虚拟网络映射包括：节点映射和链路映射，基于...

【专利技术属性】
技术研发人员：姚海鹏，马思涵，买天乐，忻向军，张尼，何文吉，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：